| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题的研究背景及意义 | 第10-11页 |
| 1.2 面临的挑战 | 第11-12页 |
| 1.2.1 多尺度问题 | 第11页 |
| 1.2.2 数据集的准备及其扩充问题 | 第11-12页 |
| 1.3 本文的主要工作 | 第12-13页 |
| 1.3.1 提出了一种对尺度不敏感的卷积神经网络模型 | 第12页 |
| 1.3.2 提出一种基于域自适应的车辆检测方法 | 第12-13页 |
| 1.3.3 建立了一个全新的高速公路数据集 | 第13页 |
| 1.4 本文的内容安排 | 第13-14页 |
| 第二章 课题的研究现状 | 第14-38页 |
| 2.1 传统的车辆检测算法 | 第14-16页 |
| 2.1.1 基于帧差法的车辆检测算法 | 第14页 |
| 2.1.2 基于背景差分的车辆检测算法 | 第14-15页 |
| 2.1.3 基于光流法的车辆检测算法 | 第15-16页 |
| 2.2 基于深度学习的目标检测 | 第16-28页 |
| 2.2.1 基础网络层与常用的网络框架 | 第16-22页 |
| 2.2.2 基于生成候选区域的目标检测算法 | 第22-27页 |
| 2.2.3 直接预测边界框的目标检测经典算法 | 第27-28页 |
| 2.3 解决多尺度问题的相关算法 | 第28-31页 |
| 2.3.1 图像金字塔 | 第28-29页 |
| 2.3.2 特征金字塔 | 第29-31页 |
| 2.4 域自适应学习 | 第31-36页 |
| 2.4.1 基于最大平均差异的域自适应算法 | 第32-35页 |
| 2.4.2 基于对抗思想的域自适应算法 | 第35-36页 |
| 2.5 本章小结 | 第36-38页 |
| 第三章 基于卷积神经网络的多尺度车辆检测 | 第38-45页 |
| 3.1 引言 | 第38-39页 |
| 3.2 尺度不敏感的卷积神经网络模型 | 第39-40页 |
| 3.3 上下文感知的感兴趣区域池化层 | 第40-42页 |
| 3.4 多分支决策网络 | 第42-43页 |
| 3.5 训练策略和损失函数 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第四章 基于域自适应的车辆检测 | 第45-50页 |
| 4.1 引言 | 第45页 |
| 4.2 基于域自适应的车辆检测网络模型 | 第45-46页 |
| 4.3 以残差的方式模拟两个域之间的差异 | 第46-47页 |
| 4.4 训练策略和损失函数 | 第47-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 实验结果与分析 | 第50-67页 |
| 5.1 数据集介绍 | 第50-53页 |
| 5.2 多尺度车辆检测实验结果与分析 | 第53-62页 |
| 5.2.1 网络训练的细节 | 第53-55页 |
| 5.2.2 评价方式 | 第55-56页 |
| 5.2.3 结果与分析 | 第56-62页 |
| 5.3 基于域自适应的车辆检测实验结果与分析 | 第62-66页 |
| 5.3.1 网络训练的细节 | 第62-63页 |
| 5.3.2 评价标准 | 第63页 |
| 5.3.3 结果与分析 | 第63-66页 |
| 5.4 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 总结 | 第67-68页 |
| 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |